CN114972191A - 一种耕地变化检测方法和装置 - Google Patents

一种耕地变化检测方法和装置 Download PDF

Info

Publication number
CN114972191A
CN114972191A CN202210443524.2A CN202210443524A CN114972191A CN 114972191 A CN114972191 A CN 114972191A CN 202210443524 A CN202210443524 A CN 202210443524A CN 114972191 A CN114972191 A CN 114972191A
Authority
CN
China
Prior art keywords
remote sensing
image data
sensing image
change detection
farmland
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210443524.2A
Other languages
English (en)
Inventor
王宇翔
臧广义
张攀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202210443524.2A priority Critical patent/CN114972191A/zh
Publication of CN114972191A publication Critical patent/CN114972191A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种耕地变化检测方法和装置，涉及耕地检测的技术领域，包括：获取样本遥感影像数据，其中，遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；对样本遥感影像数据进行预处理，得到目标遥感影像数据；构建初始耕地变化检测模型，并利用目标遥感影像数据对初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，初始耕地变化检测模型为基于U‑net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；在获取到待检测遥感影像数据之后，将待检测遥感影像数据输入目标耕地变化检测模型，得到耕地变化结果图像，解决了现有的耕地变化检测的检测精度和速度较差的技术问题。

Description

一种耕地变化检测方法和装置
技术领域
本发明涉及耕地检测的技术领域，尤其是涉及一种耕地变化检测方法和装置。
背景技术
遥感影像可以通过对不同时期的地表覆盖类型进行目视判别，确定不同时期地表类型的变化情况，以此进行地物变化检测。目前采用较多的是通过多时相高分辨率遥感影像的目视解译结果对比，对耕地进行变化监测，也是当前耕地保护的有效途径。然而在传统和耕地变化监测中，目视解译对作业人员要求高，生产效率低，局限性较大。人工智能与遥感大数据的发展带动了机器学习与深度学习在遥感领域的应用，通过机器学习或深度学习技术提取多时相影像地物类别，再进行多期差值对比提取出变化区域已成为目前常用的变化检测方法。
现有的耕地变化检测算法中，基于面向对象分析、基于像元的分类等传统方法的精度和速度难以满足目前的需求。现有的耕地变化检测深度学习算法大多都是在对遥感影像进行地物分类的基础上，再对比不同时相的影像分类结果得到变化信息，这种方法对于分类的结果依赖性高，分类结果精度低会限制变化信息的提取，从而影响检测的精度。利用全卷积神经网络进行遥感影像的地物分类，以目前主流语义分割方法得到的分类结果大多存在边缘不精确，噪声较多的问题，势必会影响到变化检测的精度。而且这种方法将变化检测任务分为两个阶段，过程繁琐，效率低下。在分类过程中，还会出现由于季节、气候等因素产生的自然变化以及与耕地变化无关的其他变化，这种伪变化也将对最终结果产生负面影响，所以正常剔除伪变化图斑需在差值对比得到变化图斑后再人工剔除，耗时耗力，效率低下。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种耕地变化检测方法和装置，以缓解了现有的耕地变化检测方法的检测精度和速度较差的技术问题。
第一方面，本发明实施例提供了一种耕地变化检测方法，包括：获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像。
进一步地，对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，包括：对所述样本遥感影像数据进行配准处理，得到第一遥感影像数据；为所述第一遥感影像数据中的像素添加标注，得到第二遥感影像数据，其中，所述标注用于表征所述样本遥感影像数据中耕地变化区域的边界和所述样本遥感影像数据中包含的地物种类；按照预设尺寸对所述第二遥感影像数据进行裁切处理，得到所述目标遥感影像数据。
进一步地，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，包括：利用残差网络，对所述待检测遥感影像数据进行特征提取，得到所述待检测遥感影像数据的特征数据；基于所述特征数据，所述多层分割融合卷积网络和所述注意力机制，构建所述待检测遥感影像数据的分类概率图和所述待检测遥感影像数据的融合图像的耕地变化检测概率结果图；对所述分类概率图和耕地变化检测概率结果图进行融合处理和伪变化图斑剔除处理，得到所述耕地变化结果图像。
进一步地，利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，包括：按照预设比例，对所述目标遥感影像数据进行分割，得到训练集和测试集；利用所述训练集对所述初始耕地变化检测模型进行训练，得到训练后的初始耕地变化检测模型；利用所述测试集对所述训练后的初始耕地变化检测模型进行测试，并将通过测试的训练后的初始耕地变化检测模型确定为所述目标地变化检测模型。
进一步地，所述方法还包括：利用预设算法对所述耕地变化结果图像进行优化，其中，所述预设算法包括：抽稀算法和形态学处理算法。
第二方面，本发明实施例提供了一种耕地变化检测装置，包括：获取单元，处理单元，训练单元和检测单元，其中，所述获取单元，用于获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；所述处理单元，用于对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；所述训练单元，用于构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；所述检测单元，用于在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像。
进一步地，所述处理单元，用于：对所述样本遥感影像数据进行配准处理，得到第一遥感影像数据；为所述第一遥感影像数据中的像素添加标注，得到第二遥感影像数据，其中，所述标注用于表征所述样本遥感影像数据中耕地变化区域的边界和所述样本遥感影像数据中包含的地物种类；按照预设尺寸对所述第二遥感影像数据进行裁切处理，得到所述目标遥感影像数据。
进一步地，所述检测单元，用于：利用残差网络，对所述待检测遥感影像数据进行特征提取，得到所述待检测遥感影像数据的特征数据；基于所述特征数据，所述多层分割融合卷积网络和所述注意力机制，构建所述待检测遥感影像数据的分类概率图和所述待检测遥感影像数据的融合图像的耕地变化检测概率结果图；对所述分类概率图和耕地变化检测概率结果图进行融合处理和伪变化图斑剔除处理，得到所述耕地变化结果图像。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像，本申请通过叠加不同时相的遥感影像，将具有耕地特征变化信息的区域作为一类地物进行训练，达到了对耕地变化区域的自动提取，快速获取高精度的耕地变化信息的目的，进而解决了现有的耕地变化检测方法的检测精度和速度较差的技术问题，从而实现了提高耕地检测的速度和准确性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种耕地变化检测方法的流程图；
图2为本发明实施例提供的一种耕地变化检测装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
根据本发明实施例，提供了一种耕地变化检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种耕地变化检测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；
步骤S104，对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；
步骤S106，构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；
需要说明的是，初始耕地变化检测模型是在U-net网络结构的基础上构建多层分割融合卷积神经网络，特征提取阶段的backbone引入残差网络结构resnet34以提高模型的特征提取能力，特征提取之后分别构建变化检测特征分割结构与地物分类特征分割结构，通过不同分割结构得到变化检测特征分割图与地物分类特征分割图，通过不同层次的结果融合，剔除变化检测中的伪变化，得到耕地变化检测结果。
步骤S108，在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像。
在本发明实施例中，通过获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像，本申请通过叠加不同时相的遥感影像，将具有耕地特征变化信息的区域作为一类地物进行训练，达到了对耕地变化区域的自动提取，快速获取高精度的耕地变化信息的目的，进而解决了现有的耕地变化检测方法的检测精度和速度较差的技术问题，从而实现了提高耕地检测的速度和准确性的技术效果。
在本发明实施例中，步骤S104包括如下步骤：
步骤S11，对所述样本遥感影像数据进行配准处理，得到第一遥感影像数据；
步骤S12，为所述第一遥感影像数据中的像素添加标注，得到第二遥感影像数据，其中，所述标注用于表征所述样本遥感影像数据中耕地变化区域的边界和所述样本遥感影像数据中包含的地物种类；
步骤S13，按照预设尺寸对所述第二遥感影像数据进行裁切处理，得到所述目标遥感影像数据。
在本发明实施例中，不同时相的遥感影像数据(即，样本遥感影像数据)可能存在像素偏移，要得到精确的变化检测样本标注数据，需不同时期影像之间地理像素偏差尽可能小，所以在数据处理阶段需检查数据并进行配准。数据标注时需精确标注变化区域边界以及不同主要地物类别。
具体的，首先校正配准采集的不同时相遥感影像数据，得到第一遥感影像数据，然后标注出第一遥感影像数据中的耕地变化区域，对遥感影像进行逐像素的标注，得到第二遥感影像数据。最后，以512*512大小滑动窗口将原始影像裁成图像块，得到目标遥感影像数据。
由于深度学习网络结构由于硬件限制一般只能输入很小的图片进行训练推理如512*512，而遥感影像多整景较大且含有地理信息，采用传统的推理方法势必损失遥感影像的地理信息且得到裁剪后的图像块，本发明实施例中通过512*512滑窗窗口读取推理变化检测结果，并通过记录滑窗坐标将推理结果放入与样本遥感影像数据对应位置，最终赋予结果影像相同坐标系，实现输入为样本遥感影像数据大小的影像，输出为相同坐标系与样本遥感影像数据重合大小的耕地变化结果图像。
在本发明实施例中，步骤S106包括如下步骤：
步骤S21，按照预设比例，对所述目标遥感影像数据进行分割，得到训练集和测试集；
步骤S22，利用所述训练集对所述初始耕地变化检测模型进行训练，得到训练后的初始耕地变化检测模型；
步骤S23，利用所述测试集对所述训练后的初始耕地变化检测模型进行测试，并将通过测试的训练后的初始耕地变化检测模型确定为所述目标地变化检测模型。
在本发明实施例中，首先按照预设比例将目标遥感影像数据分割为训练集和测试集，由于在初始耕地变化检测模型中涉及到一种要素类别的分割与多种要素类别的分割，所以训练网络的损失函数融合采用BCELoss与DiceLoss，使得训练过程中随着模型不断训练，两种网络的loss值均不断下降，利用训练集和测试集对初始耕地变化检测模型进行迭代训练、验证、优化得到目标耕地变化检测模型，从而提高耕地变化提取的精度。
在本发明实施例中，步骤S108包括如下步骤：
步骤S31，利用残差网络，对所述待检测遥感影像数据进行特征提取，得到所述待检测遥感影像数据的特征数据；
步骤S32，基于所述特征数据，所述多层分割融合卷积网络和所述注意力机制，构建所述待检测遥感影像数据的分类概率图和所述待检测遥感影像数据的融合图像的耕地变化检测概率结果图；
步骤S33，对所述分类概率图和耕地变化检测概率结果图进行融合处理和伪变化图斑剔除处理，得到所述耕地变化结果图像。
在本发明实施例中，在将待检测遥感影像数据输入目标耕地变化检测模型之后，在U-net模型encoder-decoder结构基础上，采用resnet34残差网络作为backbone特征提取结构，有效避免梯度消失与梯度爆炸现象，提高网络特征提取能力，对resnet34网络第一层进行调整使网络能自适应3通道或6通道影像数据，从而得到待检测遥感影像数据与融合影像的特征图，在解码阶段构建多层分割解码结构，得到待检测遥感影像数据的分类概率图与融合影像的变化检测概率结果图，解码阶段融合对应层编码阶段特征图以减少空间特征损失，使分割边界更精确，融合待检测遥感影像数据的分类概率图与融合影像的变化检测概率结果图，剔除伪变化图斑，得到最终概率结果图。
而且，在本次网络中引入注意力机制，遥感影像地物特征复杂多样，注意力机制能有效从众多特征信息中聚焦于当前任务更关键的信息，降低对其他无关信息的关注度，甚至过滤掉无关信息，解决信息过载问题引起的误差，提高任务处理的效率与准确率。注意力机制的主要思路问通过一系列的注意力分配系数，也就是一系列权重参数，可以用来强调或选择目标处理对象的重要信息，并且抑制一些无关的细节信息。在所有输入信息上计算注意力分布，注意力分布表示输入信息中每个信息与特定目标地物的相关程度，再根据注意力分布计算输入信息的加权平均得到Attention值。
采用的U-net网络结构，相较传统卷积神经网络具有编码通道和解码通道。编码通道是典型的卷积神经网络特征提取结构，通过重复采用卷积、池化等操作对输出的图像进行特征提取。每经过一次卷积操作，特征图的通道数将增加一倍，网络可以从多个层次提取图像的特征。而每经过一次池化，特征图的尺寸大小将变为原来的一半，池化操作降低网络的复杂程度，有利于网络提取影像的深层纹理特征。解码通道是通过不断重复反卷积与上采样操作，得到与原始输入图像大小一致的结果图的过程，每进行一次反卷积运算的特征图，与对应的编码通道得到的特征图进行拼接，减少空间特征信息损失，再进行上采样，使最终结果与输入图像尺寸一致，然后利用softmax激活函数在保留原始图像空间信息的情况下，对每个像素产生一个预测值，判断是否属于耕地变化区域并确定变化区域位置。
在本发明实施例中，所述方法还包括如下步骤：
步骤S110，利用预设算法对所述耕地变化结果图像进行优化，其中，所述预设算法包括：抽稀算法和形态学处理算法。
在本发明实施例中，经深度学习分割网络得到的耕地变化结果图像的边界通常情况下呈锯齿状，通过抽稀算法使边界更平滑，通过腐蚀、膨胀等形态学处理方法去除噪声碎图斑，提高精度与目视效果。
在本发明实施例中，使用resnet34残差网络结构作为模型的backbone，通过层与层之间的残差连接从背景复杂的高分遥感影像中学习到变化区域的高层次特征表达，此外，残差网络使得网络层数增加时，网络性能也不会下降，可以有效缓解深度网络训练时的退化问题。
引入注意力机制，遥感影像地物特征复杂多样，注意力机制能有效从众多特征信息中聚焦于当前任务更关键的信息，降低对其他无关信息的关注度，甚至过滤掉无关信息，解决信息过载问题引起的误差，提高任务处理的效率与准确率。
融合两期遥感影像进行端到端输出变化检测结果，现有耕地变化检测算法多通过多期分类分割结果作差值提取变化结果，过程繁琐且高度依赖分类分割结果精度。本方案在网络训练之前融合两期影像，通过模型训练直接端到端输出变化检测结果，效率更更快，减少中间误差传递，精度更高。
在网络结构内部，融合变化检测网络与分类分割网络，利用分类分割网络对变化检测结果进行约束，剔除伪变化，提高变化检测的准确率。
综上，由于已有耕地变化检测深度学习算法中大多先得到多期遥感影像地物分类结果，对多起地物分类结果作差值得到变化检测结果，过程繁琐，精度受分类结果精度限制。本发明实施例通过融合多起影像，同时调整网络输出层使其自适应融合影像直接提取变化特征，同时融入地物分类分割网络，约束变化检测结果，端到端直接自动提取剔除伪变化后的变化检测结果。
实施例二：
本发明实施例还提供了一种耕地变化检测装置，该耕地变化检测装置用于执行本发明实施例上述内容所提供的耕地变化检测方法，以下是本发明实施例提供的耕地变化检测装置的具体介绍。
如图2所示，图2为上述耕地变化检测装置的示意图，该风环境模型生成装置包括：获取单元10，处理单元20，训练单元30和检测单元40。
所述获取单元10，用于获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；
所述处理单元20，用于对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；
所述训练单元30，用于构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；
所述检测单元40，用于在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像。
在本发明实施例中，通过获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像，本申请通过叠加不同时相的遥感影像，将具有耕地特征变化信息的区域作为一类地物进行训练，达到了对耕地变化区域的自动提取，快速获取高精度的耕地变化信息的目的，进而解决了现有的耕地变化检测方法的检测精度和速度较差的技术问题，从而实现了提高耕地检测的速度和准确性的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种耕地变化检测方法，其特征在于，包括：
获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；
对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；
构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；
在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像。
2.根据权利要求1所述的方法，其特征在于，对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，包括：
对所述样本遥感影像数据进行配准处理，得到第一遥感影像数据；
为所述第一遥感影像数据中的像素添加标注，得到第二遥感影像数据，其中，所述标注用于表征所述样本遥感影像数据中耕地变化区域的边界和所述样本遥感影像数据中包含的地物种类；
按照预设尺寸对所述第二遥感影像数据进行裁切处理，得到所述目标遥感影像数据。
3.根据权利要求2所述的方法，其特征在于，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，包括：
利用残差网络，对所述待检测遥感影像数据进行特征提取，得到所述待检测遥感影像数据的特征数据；
基于所述特征数据，所述多层分割融合卷积网络和所述注意力机制，构建所述待检测遥感影像数据的分类概率图和所述待检测遥感影像数据的融合图像的耕地变化检测概率结果图；
对所述分类概率图和耕地变化检测概率结果图进行融合处理和伪变化图斑剔除处理，得到所述耕地变化结果图像。
4.根据权利要求1所述的方法，其特征在于，利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，包括：
按照预设比例，对所述目标遥感影像数据进行分割，得到训练集和测试集；
利用所述训练集对所述初始耕地变化检测模型进行训练，得到训练后的初始耕地变化检测模型；
利用所述测试集对所述训练后的初始耕地变化检测模型进行测试，并将通过测试的训练后的初始耕地变化检测模型确定为所述目标地变化检测模型。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用预设算法对所述耕地变化结果图像进行优化，其中，所述预设算法包括：抽稀算法和形态学处理算法。
6.一种耕地变化检测装置，其特征在于，包括：获取单元，处理单元，训练单元和检测单元，其中，
所述获取单元，用于获取样本遥感影像数据，其中，所述样本遥感影像数据包括：相同区域不同时间的耕地遥感影像数据；
所述处理单元，用于对所述样本遥感影像数据进行预处理，得到目标遥感影像数据，其中，所述预处理包括：配准处理，像素标注处理和裁剪处理；
所述训练单元，用于构建初始耕地变化检测模型，并利用所述目标遥感影像数据对所述初始耕地变化检测模型进行训练，得到目标耕地变化检测模型，其中，所述初始耕地变化检测模型为基于U-net模型构建的多层分割融合卷积网络结合残差网络和注意力机制构建的模型；
所述检测单元，用于在获取到待检测遥感影像数据之后，将所述待检测遥感影像数据输入所述目标耕地变化检测模型，得到耕地变化结果图像，其中，所述耕地变化结果图像为与所述待检测遥感影像数据尺寸相同且剔除伪变化图斑后的图像。
7.根据权利要求6所述的装置，其特征在于，所述处理单元，用于：
对所述样本遥感影像数据进行配准处理，得到第一遥感影像数据；
为所述第一遥感影像数据中的像素添加标注，得到第二遥感影像数据，其中，所述标注用于表征所述样本遥感影像数据中耕地变化区域的边界和所述样本遥感影像数据中包含的地物种类；
按照预设尺寸对所述第二遥感影像数据进行裁切处理，得到所述目标遥感影像数据。
8.根据权利要求7所述的装置，其特征在于，所述检测单元，用于：
利用残差网络，对所述待检测遥感影像数据进行特征提取，得到所述待检测遥感影像数据的特征数据；
基于所述特征数据，所述多层分割融合卷积网络和所述注意力机制，构建所述待检测遥感影像数据的分类概率图和所述待检测遥感影像数据的融合图像的耕地变化检测概率结果图；
对所述分类概率图和耕地变化检测概率结果图进行融合处理和伪变化图斑剔除处理，得到所述耕地变化结果图像。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至5任一项所述方法的步骤。
CN202210443524.2A 2022-04-25 2022-04-25 一种耕地变化检测方法和装置 Pending CN114972191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210443524.2A CN114972191A (zh) 2022-04-25 2022-04-25 一种耕地变化检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210443524.2A CN114972191A (zh) 2022-04-25 2022-04-25 一种耕地变化检测方法和装置

Publications (1)

Publication Number Publication Date
CN114972191A true CN114972191A (zh) 2022-08-30

Family

ID=82979850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210443524.2A Pending CN114972191A (zh) 2022-04-25 2022-04-25 一种耕地变化检测方法和装置

Country Status (1)

Country Link
CN (1) CN114972191A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641509A (zh) * 2022-11-16 2023-01-24 自然资源部第三地理信息制图院 遥感影像地物变化检测方法、系统、电子设备及存储介质
CN115690591A (zh) * 2023-01-05 2023-02-03 速度时空信息科技股份有限公司 基于深度学习的遥感影像耕地非农变化的检测方法
CN115861791A (zh) * 2022-11-07 2023-03-28 中电科大数据研究院有限公司 一种公益诉讼线索的生成方法、生成装置及存储介质
CN115965622A (zh) * 2023-02-15 2023-04-14 航天宏图信息技术股份有限公司 一种遥感瓦片数据的变化检测方法和装置
CN116091497A (zh) * 2023-04-07 2023-05-09 航天宏图信息技术股份有限公司 遥感变化检测方法、装置、电子设备和存储介质
CN116403007A (zh) * 2023-04-12 2023-07-07 北京卫星信息工程研究所 基于目标向量的遥感影像变化检测方法
CN117095299A (zh) * 2023-10-18 2023-11-21 浙江省测绘科学技术研究院 破碎化耕作区的粮食作物提取方法、系统、设备及介质
CN117557414A (zh) * 2023-11-30 2024-02-13 重庆欣荣土地房屋勘测技术研究所有限责任公司 基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861791B (zh) * 2022-11-07 2024-04-26 中电科大数据研究院有限公司 一种公益诉讼线索的生成方法、生成装置及存储介质
CN115861791A (zh) * 2022-11-07 2023-03-28 中电科大数据研究院有限公司 一种公益诉讼线索的生成方法、生成装置及存储介质
WO2024099097A1 (zh) * 2022-11-07 2024-05-16 中电科大数据研究院有限公司 一种公益诉讼线索的生成方法、生成装置及存储介质
CN115641509B (zh) * 2022-11-16 2023-03-21 自然资源部第三地理信息制图院 遥感影像地物变化检测方法、系统、电子设备及存储介质
CN115641509A (zh) * 2022-11-16 2023-01-24 自然资源部第三地理信息制图院 遥感影像地物变化检测方法、系统、电子设备及存储介质
CN115690591A (zh) * 2023-01-05 2023-02-03 速度时空信息科技股份有限公司 基于深度学习的遥感影像耕地非农变化的检测方法
CN115965622A (zh) * 2023-02-15 2023-04-14 航天宏图信息技术股份有限公司 一种遥感瓦片数据的变化检测方法和装置
CN116091497B (zh) * 2023-04-07 2023-06-27 航天宏图信息技术股份有限公司 遥感变化检测方法、装置、电子设备和存储介质
CN116091497A (zh) * 2023-04-07 2023-05-09 航天宏图信息技术股份有限公司 遥感变化检测方法、装置、电子设备和存储介质
CN116403007B (zh) * 2023-04-12 2023-12-19 北京卫星信息工程研究所 基于目标向量的遥感影像变化检测方法
CN116403007A (zh) * 2023-04-12 2023-07-07 北京卫星信息工程研究所 基于目标向量的遥感影像变化检测方法
CN117095299A (zh) * 2023-10-18 2023-11-21 浙江省测绘科学技术研究院 破碎化耕作区的粮食作物提取方法、系统、设备及介质
CN117095299B (zh) * 2023-10-18 2024-01-26 浙江省测绘科学技术研究院 破碎化耕作区的粮食作物提取方法、系统、设备及介质
CN117557414A (zh) * 2023-11-30 2024-02-13 重庆欣荣土地房屋勘测技术研究所有限责任公司 基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114972191A (zh) 一种耕地变化检测方法和装置
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
CN115331087B (zh) 融合区域语义与像素特征的遥感影像变化检测方法及系统
CN109886282A (zh) 对象检测方法、装置、计算机可读存储介质和计算机设备
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN111666842B (zh) 一种基于双流空洞卷积神经元网络的阴影检测方法
CN107622239B (zh) 一种层次化局部结构约束的遥感图像指定建筑区检测方法
CN112036249B (zh) 端对端行人检测及属性识别的方法、系统、介质及终端
CN113435407B (zh) 一种输电系统的小目标识别方法及装置
CN106295498A (zh) 光学遥感图像目标区域检测装置与方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN113240623A (zh) 一种路面病害检测方法及装置
CN115861823A (zh) 一种基于自监督深度学习的遥感变化检测方法和装置
CN114494695A (zh) 一种智慧水利城乡积涝水位监测预警方法及装置
Yu et al. Mean shift based clustering of neutrosophic domain for unsupervised constructions detection
CN111931721B (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN111738310B (zh) 物料分类方法、装置、电子设备和存储介质
CN115620083B (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN111079807A (zh) 一种地物分类方法及装置
CN116977249A (zh) 缺陷检测的方法、模型训练的方法和装置
CN112614094B (zh) 基于序列状态编码的绝缘子串异常定位识别方法
CN115965622B (zh) 一种遥感瓦片数据的变化检测方法和装置
CN116453117B (zh) 一种图像解译图斑定位与精度评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination